Skip to content

Utilisation de l'interface de ligne de commande

L'interface de ligne de commande YOLO (CLI) permet d'effectuer des commandes simples sur une seule ligne sans avoir besoin d'un environnement Python . CLI ne nécessite aucune personnalisation ni aucun code Python . Vous pouvez simplement exécuter toutes les tâches à partir du terminal à l'aide de la commande yolo commandement.



Regarder : Mastering Ultralytics YOLO : CLI

Exemple

Ultralytics yolo utilisent la syntaxe suivante :

yolo TASK MODE ARGS

Where   TASK (optional) is one of [detect, segment, classify, pose, obb]
        MODE (required) is one of [train, val, predict, export, track, benchmark]
        ARGS (optional) are any number of custom 'arg=value' pairs like 'imgsz=320' that override defaults.
Voir tous les ARGS dans leur intégralité Guide de configuration ou avec yolo cfg

Entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage initial de 0.01

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Prédire une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à une taille d'image de 320 :

yolo predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Val un modèle de détection pré-entraîné pour une taille de lot de 1 et une taille d'image de 640 :

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Exporter un modèle de classification YOLO11n au format ONNX avec une taille d'image de 224 par 128 (aucune TÂCHE requise).

yolo export model=yolo11n-cls.pt format=onnx imgsz=224,128

Exécutez des commandes spéciales pour voir la version, afficher les paramètres, effectuer des vérifications, etc :

yolo help
yolo checks
yolo version
yolo settings
yolo copy-cfg
yolo cfg

OĂą ?

  • TASK (facultatif) est l'un des Ă©lĂ©ments suivants [detect, segment, classify, pose, obb]. S'il n'est pas transmis explicitement, YOLO11 essaiera de deviner le nom de l'utilisateur. TASK du type de modèle.
  • MODE (obligatoire) est l'un des Ă©lĂ©ments suivants [train, val, predict, export, track, benchmark]
  • ARGS (facultatif) sont un nombre quelconque de arg=value paires comme imgsz=320 qui remplacent les valeurs par dĂ©faut. Pour une liste complète des ARGS voir le Configuration et defaults.yaml

Avertissement

Les arguments doivent être transmis en tant que arg=val séparées par une équation = signe et délimité par des espaces entre les paires. Ne pas utiliser -- préfixes ou virgules des arguments , entre les arguments.

  • yolo predict model=yolo11n.pt imgsz=640 conf=0.25   âś…
  • yolo predict model yolo11n.pt imgsz 640 conf 0.25   ❌
  • yolo predict --model yolo11n.pt --imgsz 640 --conf 0.25   ❌

Train

Entraîne YOLO11n sur le jeu de données COCO8 pendant 100 époques à la taille d'image 640. Pour une liste complète des arguments disponibles, voir la page Configuration.

Exemple

Commencez l'entraînement de YOLO11n sur COCO8 pour 100 époques à une taille d'image de 640.

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Reprendre une formation interrompue.

yolo detect train resume model=last.pt

Val

Valider le modèle YOLO11n formé précision sur le jeu de données COCO8. Aucun argument n'est nécessaire car la fonction model conserve sa formation data et les arguments en tant qu'attributs du modèle.

Exemple

Valider un modèle officiel de YOLO11n.

yolo detect val model=yolo11n.pt

Valider un modèle formé sur mesure.

yolo detect val model=path/to/best.pt

Prévoir

Utiliser un modèle YOLO11n entraîné pour effectuer des prédictions sur des images.

Exemple

Prévoir avec un modèle officiel YOLO11n.

yolo detect predict model=yolo11n.pt source='https://ultralytics.com/images/bus.jpg'

Prévoir avec un modèle personnalisé.

yolo detect predict model=path/to/best.pt source='https://ultralytics.com/images/bus.jpg'

Exportation

Exporter un modèle YOLO11n vers un format différent comme ONNX, CoreML, etc.

Exemple

Exporter un modèle officiel YOLO11n au format ONNX .

yolo export model=yolo11n.pt format=onnx

Exporter un modèle personnalisé au format ONNX .

yolo export model=path/to/best.pt format=onnx

Les formats d'exportation disponibles sur YOLO11 sont présentés dans le tableau ci-dessous. Vous pouvez exporter vers n'importe quel format à l'aide de la fonction format l'argument, c'est-à-dire format='onnx' ou format='engine'.

Format format Argument Modèle Métadonnées Arguments
PyTorch - yolo11n.pt âś… -
TorchScript torchscript yolo11n.torchscript âś… imgsz, optimize, batch
ONNX onnx yolo11n.onnx âś… imgsz, half, dynamic, simplify, opset, batch
OpenVINO openvino yolo11n_openvino_model/ âś… imgsz, half, int8, batch
TensorRT engine yolo11n.engine âś… imgsz, half, dynamic, simplify, workspace, int8, batch
CoreML coreml yolo11n.mlpackage âś… imgsz, half, int8, nms, batch
TF SavedModel saved_model yolo11n_saved_model/ âś… imgsz, keras, int8, batch
TF GraphDef pb yolo11n.pb ❌ imgsz, batch
TF Lite tflite yolo11n.tflite âś… imgsz, half, int8, batch
TF Bord TPU edgetpu yolo11n_edgetpu.tflite âś… imgsz
TF.js tfjs yolo11n_web_model/ âś… imgsz, half, int8, batch
PaddlePaddle paddle yolo11n_paddle_model/ âś… imgsz, batch
MNN mnn yolo11n.mnn âś… imgsz, batch, int8, half
NCNN ncnn yolo11n_ncnn_model/ âś… imgsz, half, batch
IMX500 imx yolov8n_imx_model/ âś… imgsz, int8

Voir l'intégralité export détails dans le Exportation page.

Remplacer les arguments par défaut

Les arguments par défaut peuvent être remplacés en les passant simplement en tant qu'arguments dans la page CLI de la rubrique arg=value paires.

Conseil

Former un modèle de détection pour 10 epochs avec learning_rate de 0.01

yolo detect train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Prédire une vidéo YouTube à l'aide d'un modèle de segmentation pré-entraîné à une taille d'image de 320 :

yolo segment predict model=yolo11n-seg.pt source='https://youtu.be/LNwODJXcvt4' imgsz=320

Valider un modèle de détection pré-entraîné pour une taille de lot de 1 et une taille d'image de 640 :

yolo detect val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Remplacer le fichier de configuration par défaut

Vous pouvez remplacer le default.yaml en passant un nouveau fichier avec l'option cfg arguments, c'est-Ă -dire cfg=custom.yaml.

Pour ce faire, créez d'abord une copie de default.yaml dans votre répertoire de travail actuel avec l'option yolo copy-cfg commandement.

Cela créera default_copy.yamlque vous pouvez ensuite passer comme cfg=default_copy.yaml ainsi que d'éventuels arguments supplémentaires, tels que imgsz=320 dans cet exemple :

Exemple

yolo copy-cfg
yolo cfg=default_copy.yaml imgsz=320

FAQ

Comment utiliser l'interface de ligne de commande Ultralytics YOLO11 (CLI) pour l'apprentissage des modèles ?

Pour entraîner un modèle YOLO11 à l'aide de CLI, vous pouvez exécuter une simple commande d'une ligne dans le terminal. Par exemple, pour entraîner un modèle de détection pendant 10 époques avec un taux d'apprentissage de 0,01, vous devez exécuter la commande suivante :

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Cette commande utilise la fonction train avec des arguments spécifiques. Consultez la liste complète des arguments disponibles dans la section Guide de configuration.

Quelles sont les tâches que je peux effectuer avec le Ultralytics YOLO11 CLI ?

Le site Ultralytics YOLO11 CLI prend en charge toute une série de tâches, notamment la détection, la segmentation, la classification, la validation, la prédiction, l'exportation et le suivi. Par exemple :

  • Former un modèle: ExĂ©cuter yolo train data=<data.yaml> model=<model.pt> epochs=<num>.
  • PrĂ©visions de course: Utilisation yolo predict model=<model.pt> source=<data_source> imgsz=<image_size>.
  • Exporter un modèle: ExĂ©cuter yolo export model=<model.pt> format=<export_format>.

Chaque tâche peut être personnalisée à l'aide de divers arguments. Pour une syntaxe détaillée et des exemples, voir les sections respectives Train, Predict et Export.

Comment puis-je valider la précision d'un modèle YOLO11 entraîné à l'aide de CLI?

Pour valider la précision d'un modèle YOLO11 , utilisez la fonction val mode. Par exemple, pour valider un modèle de détection pré-entraîné à l'aide d'un taille du lot de 1 et une taille d'image de 640, exécuter :

yolo val model=yolo11n.pt data=coco8.yaml batch=1 imgsz=640

Cette commande évalue le modèle sur le jeu de données spécifié et fournit des mesures de performance. Pour plus de détails, voir la section Val.

Dans quels formats puis-je exporter mes modèles YOLO11 en utilisant CLI?

YOLO11 peuvent être exportés vers différents formats tels que ONNX, CoreML, TensorRT, et bien d'autres encore. Par exemple, pour exporter un modèle au format ONNX , exécutez :

yolo export model=yolo11n.pt format=onnx

Pour plus de détails, consultez la page Exportation.

Comment puis-je personnaliser les commandes YOLO11 CLI afin d'ignorer les arguments par défaut ?

Pour remplacer les arguments par défaut dans les commandes YOLO11 CLI , passez-les en tant que arg=value paires. Par exemple, pour entraîner un modèle avec des arguments personnalisés, utilisez :

yolo train data=coco8.yaml model=yolo11n.pt epochs=10 lr0=0.01

Pour obtenir la liste complète des arguments disponibles et leur description, reportez-vous au Guide de configuration. Assurez-vous que les arguments sont correctement formatés, comme indiqué dans la section Remplacer les arguments par défaut.

📅C réé il y a 1 an ✏️ Mis à jour il y a 2 mois

Commentaires